Sklearn：使用 CalibratedClassifierCV 校准多标签分类

Question

我已经构建了许多 sklearn 分类器模型来执行多标签分类，我想校准它们的 predict_proba 输出，以便获得置信度分数。我还想使用 sklearn.metrics.recall_score 等指标来评估它们。

我有 4 个标签要预测，真正的标签是多热编码的（例如[0, 1, 1, 1]）。结果CalibratedClassifierCV不直接接受我的数据：

clf = tree.DecisionTreeClassifier(max_depth=15)
clf = clf.fit(train_X, train_Y)
calibrated_clf = CalibratedClassifierCV(clf, cv="prefit", method="sigmoid")
calibrated_clf.fit(dev_X, dev_Y)

这会返回一个错误：

ValueError: classes [[0 1]
 [0 1]
 [0 1]
 [0 1]] mismatch with the labels [0 1 2 3] found in the data

因此，我尝试将其包装在OneVsRestClassifier：

clf = OneVsRestClassifier(tree.DecisionTreeClassifier(max_depth=15), n_jobs=4)
clf = clf.fit(train_X, train_Y)
calibrated_clf = CalibratedClassifierCV(clf, cv="prefit", method="sigmoid")
calibrated_clf.fit(dev_X, dev_Y)

请注意，MultiOutputClassifier 和 ClassifierChain 不起作用，即使它们可能更适合我的问题。

它可以工作，但由于its implementation，校准分类器的predict 输出是多类 而不是多标签。有四个类（[0 1 2 3]），但如果不需要贴标签，它仍然会预测为0。

通过校准曲线进一步检查，结果发现包裹在校准分类器内的基本估计器根本没有校准。也就是说，(calibrated_clf.calibrated_classifiers_)[0].base_estimator 返回与校准前相同的clf。

我想观察我的（校准的）模型在进行确定性 (predict) 和概率性 (predict_proba) 预测时的表现。我应该如何设计我的模型/将东西包装在其他容器中以获得每个标签的校准概率和可理解的标签预测？

Answer 1

在您的示例中，您使用的是 DecisionTreeClassifier，默认情况下，support targets 的维度为 (n, m)，其中 m > 1。

但是，如果您想获得每个班级的 marginal probability 作为结果，请使用 OneVsRestClassifier.

请注意，CalibratedClassifierCV 需要 target to be 1d，因此“诀窍”是将其扩展为使用 MultiOutputClassifier 支持多标签分类。

完整示例

from sklearn.datasets import make_multilabel_classification
from sklearn.tree import DecisionTreeClassifier
from sklearn.multioutput import MultiOutputClassifier
from sklearn.model_selection import train_test_split, StratifiedKFold

import numpy as np

# Generate a sample multilabel target
X, y = make_multilabel_classification(n_classes=4, random_state=0)

y
>>> 
array([[1, 0, 1, 0],
       [0, 0, 0, 0],
       [1, 0, 1, 0],
       ...
       [0, 0, 0, 0],
       [0, 1, 1, 1],
       [1, 1, 0, 1]])

# Split in train/test
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.9, random_state=42
)

# Splits Stratify target variable
cv = StratifiedKFold(n_splits=2)

# Decision tree support by default multiclass target or use OneVsRest if marginal probabilities
clf = OneVsRestClassifier(DecisionTreeClassifier(max_depth=10))

# Calibrate estimator probabilities
calibrated_clf = CalibratedClassifierCV(base_estimator=clf, cv=cv)

# calibrated_clf target is one dimensional, extend classifier to multi-target classification.
multioutput_clf = MultiOutputClassifier(calibrated_clf).fit(X_train, y_train)

# Check predict 
multioutput_clf.predict(X_test[-5:])
>>> 
array([[0, 0, 1, 1],
       [0, 0, 0, 1],
       [0, 0, 0, 1],
       [0, 0, 0, 1],
       [0, 0, 0, 1]])

# Check predict_proba
multioutput_clf.predict_proba(X_test[-5:])
>>>
[array([[0.78333315, 0.21666685],
        [0.78333315, 0.21666685],
        [0.78333315, 0.21666685],
        [0.78333315, 0.21666685],
        [0.78333315, 0.21666685]]),
 array([[0.59166537, 0.40833463],
        [0.59166537, 0.40833463],
        [0.40833361, 0.59166639],
        [0.59166537, 0.40833463],
        [0.59166537, 0.40833463]]),
 array([[0.61666922, 0.38333078],
        [0.61666427, 0.38333573],
        [0.80000098, 0.19999902],
        [0.61666427, 0.38333573],
        [0.61666427, 0.38333573]]),
 array([[0.26874774, 0.73125226],
        [0.26874774, 0.73125226],
        [0.45208444, 0.54791556],
        [0.26874774, 0.73125226],
        [0.26874774, 0.73125226]])]

注意predict_proba 的结果是一个包含 4 个数组的列表，每个数组是属于第 i 类的概率。例如，第一个数组的第一个样本里面是第一个样本属于第1类的概率等等。

关于校准曲线，scikit-learn 提供了为two dimension 和three dimension 目标绘制概率路径的示例。